Consensus-level substitution rates are distinct from the virion-level rate

Resumo Técnico: Taxas de Substituição ao Nível de Consenso vs. ao Nível de Vírion

Definição do Problema
O artigo aborda uma ambiguidade crítica na epidemiologia evolutiva em relação à definição e estimativa de taxas de substituição viral. Embora a estimativa dessas taxas seja central para a compreensão de fenômenos como a evolução dentro do hospedeiro e a emergência de variantes (por exemplo, no SARS-CoV-2 e HIV), a literatura frequentemente confunde duas classes distintas de estimandos de taxa evolutiva. Os métodos atuais oscilam entre abordagens baseadas em frequências alélicas ao nível da população e abordagens baseadas na evolução molecular individual ao longo de linhagens; contudo, essa distinção é frequentemente implícita ou negligenciada em análises filogenéticas. O autor argumenta que essa confusão leva a desajustes metodológicos, nos quais ferramentas filogenéticas padrão são aplicadas a tipos de dados para os quais são teoricamente inadequadas.

Distinção Metodológica e Definições
O artigo estabelece uma separação definicional rigorosa entre duas classes de estimandos:

1. Taxa de Substituição ao Nível de Vírion (TSNV/VLSR): Esta é uma quantidade molecular que representa o número esperado de eventos mutacionais ao longo de uma linhagem por sítio por unidade de tempo. Corresponde ao estimando padrão em modelos filogenéticos, assumindo uma estrutura de árvore binária onde as pontas representam vírions individuais.
2. Taxa de Substituição ao Nível de Consenso (TSNC/CLSR): Esta é uma quantidade de resumo populacional que representa o número esperado de vezes que um alelo cruza um limiar específico de chamada de consenso por sítio por unidade de tempo. As TSNCs são indexadas por uma regra específica de geração de consenso ($\phi$), tipicamente a seleção do nucleotídeo por sítio com frequência $>0,5$. Diferente da TSNV, as TSNCs não seguem inerentemente uma estrutura de árvore binária; elas representam uma progressão de estatísticas de resumo de uma distribuição de frequência alélica variante no tempo.

Análise Teórica das Diferenças
O autor demonstra que a TSNV e a TSNC são matematicamente distintas e não intercambiáveis através de vários argumentos teóricos:

• Topologia: A análise da TSNV assume uma árvore binária onde as pontas estão relacionadas por uma genealogia subjacente. Em contraste, a análise da TSNC envolve uma "cadeia de descendência" de estatísticas de resumo. Em uma população bem misturada, a sequência de consenso no tempo $t_1$ é o "ancestral" único do consenso no tempo $t_2$, o que impede a estrutura de ramificação necessária para modelos filogenéticos padrão.
• Dinâmica de Transmissão: O artigo destaca que, durante a transmissão (por exemplo, do hospedeiro A para o hospedeiro B), a sequência de consenso pode exibir saltos grandes e instantâneos devido ao processo de gargalo (bottlenecking) e à mudança nas frequências alélicas na população fundadora. Os modelos de evolução de sequência de cadeia de Markov de tempo contínuo (CTMC) padrão, que assumem que as mudanças se acumulam ao longo de ramos de comprimento positivo, não conseguem acomodar naturalmente esses saltos simultâneos e multissítios na formação da população.
• Divergência em Cenários de Zero Mutação: O autor apresenta um caso ilustrativo de uma população de dois tipos com seleção flutuante, mas sem mutação. Neste cenário, a TSNV é zero (nenhum evento mutacional ocorre), enquanto a TSNC é não-zero (a sequência de consenso muda conforme as frequências alélicas oscilam através do limiar de chamada). Inversamente, mutações que emergem e são perdidas sem cruzar o limiar aumentam a TSNV, mas não a TSNC. Assim, nenhuma das taxas domina estritamente a outra.

Implicações Metodológicas para Estimativa
O artigo categoriza os dados e estruturas de modelagem apropriados para cada estimando:

• Estimando a TSNV: Requer sequências ao nível de vírion ou sequências de consenso sob a premissa de que cada sequência de consenso é instanciada por um vírion na população. A maquinaria filogenética padrão é apropriada aqui.
• Estimando a TSNC: Requer sequências de consenso e maquinaria não convencional. Como a estrutura relacional das sequências de consenso é semelhante a uma árvore, mas não é uma árvore binária (devido à fusão de populações e perda de moda), modelos de ancestrais amostrados (por exemplo, Gavryushkina et al., 2014) são identificados como modelos genealógicos apropriados.
• Limitações do Modelo: O autor observa que, mesmo com modelos genealógicos apropriados, os componentes de evolução de sequência padrão permanecem mal especificados devido ao potencial de descontinuidade na formação da população. No entanto, o artigo sugere que isso pode causar apenas um pequeno viés na prática, uma vez que a moda da população fundadora é provavelmente próxima da moda da população de origem, embora isso permaneça uma questão empírica.

Principais Contribuições e Alegações

• Clarificação Conceitual: A principal contribuição é a separação explícita da TSNV e da TSNC como estimandos distintos, esclarecendo que eles medem aspectos diferentes do processo evolutivo (eventos moleculares vs. mudanças no resumo populacional).
• Padrões de Relato: O artigo argumenta que, como uma TSNC é definida por sua regra de geração de consenso ($\phi$), o relato desta regra deve ser um requisito rotineiro e não opcional em análises filogenéticas.
• Orientação Metodológica: O texto fornece um framework para que analistas escolham o tipo de dado e a abordagem de modelagem corretos com base em seu objetivo de pesquisa específico, alertando que o uso de ferramentas padrão em dados de consenso (ou vice-versa) sem ajustes pode resultar em estimativas que não são nem TSNVs precisas, nem TSNCs precisas.

Significância
O artigo serve como uma reflexão destinada a orientar analistas na tomada de escolhas metodológicas mais informadas ao trabalhar com conjuntos de sequências virais. Não propõe novos dados experimentais ou implementações de software específicas, mas destaca uma lacuna definicional na prática atual. Ao distinguir essas taxas, o autor visa prevenir a confusão que surge quando estatísticas de resumo ao nível da população são tratadas como se fossem linhagens moleculares de nível individual, melhorando assim o rigor da inferência epidemiológica evolutiva.